- •Оценка параметров уравнения множественной регрессии (Дисперсионный анализ).
- •Частный f-критерий Фишера.
- •Метод определения гетероскедастичности. Тест Глейзера (тест ранговой корреляции Спирмена).
- •Проблема мультиколлинеарности
- •Автокорреляция уровней временного ряда.
- •Понятие и анализ коррелограммы.
- •Моделирование тенденции временного ряда.
- •Моделирование сезонных и циклических колебаний
- •Методы исключения тенденции.
- •Автокорреляция в остатках. Критерий д-у.
- •Классический подход к оценке коэффициентов уравнения множественной модели на основе мнк.
Моделирование сезонных и циклических колебаний
Основной подход к моделированию сезонных колебаний это расчёт значений сезонной компоненты, методом скользящей средней и построение аддитивной или мультипликативной модели временного ряда.
M – Мультипликативная модель
A – Аддитивная модель
Выбор одной из двух моделей осуществляется на основе анализа структуры сезонных колебаний.
Если амплитуда колебаний приблизительно постоянная, то строят аддитивную модель временного ряда.
Если амплитуда сезонных колебаний возрастает или уменьшается – строиться мультипликативную модель временного ряда.
Построение аддитивной и мультипликативной моделей сводиться к расчёту значений T,S,E для каждого уровня ряда.
Алгоритм построения модели:
Выравнивание исходного ряда методом скользящей средней.
Расчёт значений сезонной компоненты S.
Устранение сезонной компоненты из исходных уровней ряда и получение выровненных данных (T+E для аддитивной и T*E для мультипликативной).
Аналитическое выравнивание уровней и расчёт значений Т, с использованием полученного уравнения тренда.
Расчёт абсолютных и относительных ошибок.
Прогнозирование.
Методы исключения тенденции.
Сущность всех таких методов заключается в том, что устранить или зафиксировать воздействие фактора времени на формирование уровня ряда. Основные методы исключения тенденции можно разделить на 2 группы:
1 группа. Методы, основанные на преобразовании исходных уровней ряда в новые переменные, не содержащие тенденции. Полученные переменные используются дальше для анализа взаимосвязи изучаемых временных рядов. Такие методы предполагают непосредственное устранение трендовой компоненты из каждого уровня временного ряда. В этой группе 2 основных метода: - метод последовательных разностей; - метод отклонений от тренда.
-Метод отклонений от тренда. Пусть имеется 2 временных ряда Хt и Yt. Каждый из которых содержит трендовую переменную t и случайную компоненту Е. после проведения аналитического выравнивания можно найти параметры соответствующих уравнений тренда и определить расчетные по тренду значения и , соответствующие исходным временным рядам. Эти значения можно принять за оценку трендовой компоненты t каждого ряда, тогда влияние тенденции можно устранить путем вычитания расчетных значений из фактических уровней ряда. Эту процедуру преодолевают для каждого временного ряда, а разностей Xt- иYt- при условии, что эти отклонения не содержит тенденции.
-Метод последовательных разностей. В ряде случаев вместо аналитического выравнивания для устранения тенденции используется простой метод – метод последовательных разностей. Если временной ряд содержит ярко выраженную линейную тенденцию, то ее можно устранить путем замены исходных уровней ряда с цепными абсолютными приростами (первыми разностями).
2 группа. Методы, основанные на изучении взаимосвязи исходных уровней временных рядов при устранении воздействия фактора времени на зависящую и независимую переменные модели. К таким методам относятся – метод включения в модель регрессии фактора времени.
-Метод включения в модель регрессии фактора времени. В корреляционно - регрессионном анализе устранить воздействие какого-либо фактора можно, если зашифровать это воздействие на результат и др включить в модель фактора. Этот прием широко используется в анализе временных рядов, когда тенденция фиксируется через включение фактора времени в качестве независимой переменной в модель: Уt=a+b3x(t-1)+biY(t-1).
Такая модель включает число независимых переменных больше 1, кроме этого в нее могут быть включены не только текущие, но и лаговые значения независимой переменной, а также лаговые значения результативных переменных. Преимущество данной модели, по сравнению с 2 предыдущими состоит в том, что она позволяет учесть всю информацию, содержащуюся в рядах Xt и Yt. Кроме того, модель строится по всей совокупности данных за рассмотренный период, а значит, не ведет к потери числа степеней свободы. Параметры a и b определяются МНК, включая фактор времени.